PREDIKSI CALON KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN)

Reza Dirantara, Febri Sugandi

Abstract


Abstract: The Academic Information System (SIAKAD) has become a crucial tool in universities for monitoring and evaluating student performance periodically. Data generated by this system, such as Grade Point Average (GPA), attendance, and student activities, can be utilized to predict timely graduation. In this study, the K-Nearest Neighbors (K-NN) algorithm is applied to predict student graduation based on academic and non-academic data. This method employs a distance-based approach to analyze historical data. The findings indicate that the K-NN algorithm provides accurate predictions, enabling educational institutions to implement early interventions for at-risk students. This study is expected to support strategic decision-making in improving student graduation rates.

 

Keywords: SIAKAD, K-Nearest Neighbors, graduation prediction, distance-based

                 algorithm, early intervention.

Abstrak: Aplikasi Sistem Informasi Akademik (SIAKAD) telah menjadi alat penting dalam perguruan tinggi untuk memonitor dan mengevaluasi hasil belajar mahasiswa secara berkala. Berbagai data yang dihasilkan oleh sistem ini, seperti Indeks Prestasi Kumulatif (IPK), kehadiran, dan aktivitas mahasiswa, dapat digunakan untuk memprediksi kelulusan tepat waktu. Dalam penelitian ini, algoritma K-Nearest Neighbors (K-NN) diterapkan untuk memprediksi kelulusan mahasiswa berdasarkan data akademik dan non-akademik. Metode ini bekerja dengan menggunakan pendekatan berbasis jarak untuk menganalisis data historis. Hasil penelitian menunjukkan bahwa algoritma K-NN memberikan prediksi yang akurat, sehingga membantu institusi pendidikan melakukan intervensi dini bagi mahasiswa yang berisiko. Penelitian ini diharapkan dapat mendukung pengambilan keputusan strategis dalam meningkatkan tingkat kelulusan mahasiswa.

 

Kata kunci: SIAKAD, K-Nearest Neighbors, prediksi kelulusan, algoritma berbasis jarak, intervensi dini.


Full Text:

PDF

References


Sugandi, F. (2023). PREDIKSI KELULUSAN MAHASISWA STMIK DHARMAWACANA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS: PREDIKSI KELULUSAN MAHASISWA STMIK DHARMAWACANA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS. Sienna, 4(1), 20-26.

Astri, J., Karman, J., & Daulay, N. K. (2023). Prediksi Kelulusan Mahasiswa Menggunakan Metode K-Nearest Neigbor (KNN) pada Fakultas Ilmu Teknik, Univeritas Bina Insan. Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika), 8(1), 169-173.

Susanto, E. S., Kusrini, K., & Al Fatta, H. (2018). Prediksi Kelulusan Mahasiswa Magister Teknik Informatika Universitas Amikom Yogyakarta Menggunakan Metode K-Nearest Neighbor. Respati, 13(2).

Banjarsari, M. A., Budiman, I., & Farmadi, A. (2016). Penerapan K-Optimal Pada Algoritma Knn Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan Ip Sampai Dengan Semester 4. Klik-Kumpulan Jurnal Ilmu Komputer, 2(2), 159-173.

Zulfallah, F. H. (2022). Implementasi algoritma KNN dalam mengukur ketepatan kelulusan mahasiswa UIN Syarif Hidayatullah Jakarta (Bachelor's thesis, Perpustakaan Fakultas Sains dan Teknologi UIN Jakarta).

Saputra, A. Y., & Primadasa, Y. (2018). Penerapan Teknik Klasifikasi Untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbour. Techno. Com, 17(4).

Nasution, T. (2020). Implementasi Algoritma K-Nearest Neighbor Untuk Penentuan Kelulusan Mahasiswa Tepat Waktu. Jurnal Perangkat Lunak, 2(1), 1-14.

Sumarlin, S., & Anggraini, D. (2019). Implementasi K-nearest neighbord pada rapidminer untuk prediksi kelulusan mahasiswa. HOAQ (High Education of Organization Archive Quality): Jurnal Teknologi Informasi, 10(1), 35-41.




DOI: https://doi.org/10.54314/jssr.v8i1.2748

Article Metrics

Abstract view : 23 times
PDF - 5 times

Copyright (c) 2025 JOURNAL OF SCIENCE AND SOCIAL RESEARCH